商 強(qiáng)， 譚德榮， 張曉琳， 董春迎

(山東理工大學(xué) 交通與車輛工程學(xué)院， 山東 淄博 255091)

在人-車-路-環(huán)境組成的道路交通系統(tǒng)中，駕駛員通過處理各種信息來操控車輛.駕駛員的內(nèi)在因素對(duì)行車安全有重要影響.因?yàn)轳{駛員的個(gè)體差異而具有的不同駕駛特征，可以歸為駕駛員的駕駛傾向性[1]，體現(xiàn)了駕駛員在行車過程中的內(nèi)在趨向.準(zhǔn)確識(shí)別駕駛傾向能夠提高汽車輔助駕駛系統(tǒng)的適用性.國內(nèi)外對(duì)駕駛傾向的研究通常注重駕駛員個(gè)體心理特征及其對(duì)駕駛行為的影響，在相對(duì)靜態(tài)條件下對(duì)駕駛員進(jìn)行心理測試，以及分析駕駛員心理狀態(tài)對(duì)道路交通安全的影響[2-4].有少數(shù)研究將駕駛員的特性引入到了汽車主動(dòng)安全系統(tǒng)的理論研究中[5-6]，但沒有詳細(xì)給出駕駛員個(gè)體特性的在線識(shí)別方法.本文通過對(duì)駕駛行為的分析，根據(jù)試驗(yàn)數(shù)據(jù)，建立駕駛傾向辨析模型，為進(jìn)一步研究汽車安全預(yù)警提供支持.

1 駕駛傾向劃分及識(shí)別原理

駕駛傾向涉及的因素眾多[7]，本文主要考慮駕駛傾向性的兩個(gè)部分.第一部分是駕駛員內(nèi)在激進(jìn)性，根據(jù)個(gè)體特征可分為冒進(jìn)型、普通型和保守型.冒進(jìn)型駕駛員活潑好動(dòng)、易產(chǎn)生冒險(xiǎn)動(dòng)機(jī)，易于高速行車和超車.普通型駕駛員一般性情安靜、自制力強(qiáng)、遵守交通規(guī)則，在條件完全允許的情況下選擇超車及快速行駛.保守型駕駛員情緒不易外露，也不易產(chǎn)生冒險(xiǎn)動(dòng)機(jī)，易低速行車且很少超車，但是遇到緊急情況易驚慌失措.本文選取加油頻率、制動(dòng)頻率和變道超車頻率作為自由行車條件下的駕駛傾向性的判斷指標(biāo)，選取加油頻率和制動(dòng)頻率作為跟馳狀態(tài)下的駕駛傾向性判斷指標(biāo).駕駛傾向性第二部分是操作穩(wěn)定性程度，根據(jù)動(dòng)作深度可分為興奮型和穩(wěn)重型，由駕駛員操作緊急程度來判斷.如果駕駛員在行車過程中出現(xiàn)較多次數(shù)的急剎車和緊急加速情況，則說明該駕駛員駕駛操作不穩(wěn)定，歸為興奮型.這種類型駕駛員在行車過程中存在一定安全隱患.本文選取駕駛員緊急剎車和緊急加油的比例作為駕駛傾向性第二部分的判斷指標(biāo).駕駛傾向性的劃分如圖1所示.限于篇幅，本文只作了自由流條件下的駕駛行為數(shù)據(jù)提取及駕駛傾向識(shí)別建模.

圖1 駕駛傾向性的劃分及識(shí)別原理

2 試驗(yàn)方案設(shè)計(jì)和數(shù)據(jù)采集

2.1 試驗(yàn)方案設(shè)計(jì)

2.1.1 試驗(yàn)樣本的選取

隨機(jī)抽取300名駕駛員，其中包含部分職業(yè)駕駛員，年齡分布在20～60歲，駕齡在1年以上.首先進(jìn)行問卷測試，初步確定他們的駕駛傾向并分類，從中選擇駕駛傾向性較為明確的駕駛員進(jìn)行駕駛模擬測試，檢驗(yàn)?zāi)M駕駛操作特性是否與其問卷測試結(jié)果相符.然后從兩項(xiàng)測試結(jié)果相符的駕駛員中選取每種類型的駕駛員各7名，共計(jì)42名，其中包括8名女性駕駛員.最后對(duì)選定的這42名駕駛員進(jìn)行實(shí)車試驗(yàn)，采集所需數(shù)據(jù)(從每種類型的7名駕駛員中，選取5名的試驗(yàn)數(shù)據(jù)用于模型的訓(xùn)練，剩余2名的試驗(yàn)數(shù)據(jù)將用于模型驗(yàn)證).

2.1.2 試驗(yàn)環(huán)境的確定

試驗(yàn)地點(diǎn)為流量較小的城市主干道，車流狀態(tài)可認(rèn)為是自由流.試驗(yàn)時(shí)間為非節(jié)假日或周末的上午9點(diǎn)～10點(diǎn)40分，共計(jì)100min.天氣狀況良好.

2.1.3 對(duì)被測駕駛員的要求

確保駕駛員睡眠充足，身體狀況良好，48h內(nèi)沒有飲酒和服用藥物，近期內(nèi)心情平靜，家庭、工作及生活均處于正常狀態(tài).

2.2 數(shù)據(jù)采集

需要獲取的駕駛員駕駛行為數(shù)據(jù)包括：加速頻次、制動(dòng)頻次、換道頻次、緊急加速頻次和緊急制動(dòng)頻次.駕駛員的加速和制動(dòng)深度及頻次分別由安裝在加速和制動(dòng)踏板下的電子尺測得，緊急加速和緊急制動(dòng)由踩下踏板的深度來確定.規(guī)定加速踏板最大深度值為1，大于0.9即為緊急加速；規(guī)定制動(dòng)踏板最大深度值為1，大于0.8即為緊急制動(dòng).換道頻率由車內(nèi)監(jiān)控錄像提取.

3 駕駛傾向辨識(shí)模型的建立

BP神經(jīng)網(wǎng)絡(luò)由三部分組成：輸入層、中間隱含層和輸出層.這三個(gè)部分之間通過各層節(jié)點(diǎn)之間的連接權(quán)依次前向連接.中間隱含層可為一層或多層.對(duì)于一個(gè)三層網(wǎng)絡(luò)，可以實(shí)現(xiàn)以任意精度近似任何連續(xù)函數(shù). BP網(wǎng)絡(luò)的基本原理是利用梯度下降法將誤差函數(shù)予以最小化.

3.1 神經(jīng)網(wǎng)絡(luò)模型的建立

3.1.1 輸入層的確定

輸入層是駕駛行為數(shù)據(jù)，包括加速頻率、制動(dòng)頻率、換道頻率、緊急加速比例和緊急制動(dòng)比例共5個(gè)神經(jīng)元，他們構(gòu)成了輸入向量.

3.1.2 輸出層的確定

輸出層為駕駛傾向的評(píng)判向量，共5個(gè)神經(jīng)元.前3個(gè)神經(jīng)元用于判定駕駛傾向的第一部分，分別代表冒進(jìn)、普通、保守；后2個(gè)神經(jīng)元用于判定駕駛傾向的第二部分，分別表示興奮型和溫和型.用數(shù)字1表示當(dāng)前駕駛傾向，而其它用0表示，則得到期望輸出向量(1 ,0 ,0 ,1 , 0)，(1, 0, 0, 0, 1)，(0, 1, 0, 1, 0)，(0, 1, 0, 0, 1)，(0, 0, 1, 1, 0)，(0, 0, 1, 0, 1)，分別表示的駕駛傾向類型為冒進(jìn)興奮型、冒進(jìn)溫和型、普通興奮型、普通溫和型、保守興奮型和保守溫和型.

3.1.3 隱含層的確定

圖2 駕駛傾向識(shí)別模型

3.1.4 模型的算法

BP網(wǎng)絡(luò)的單個(gè)神經(jīng)元模型如圖3所示.其中，x=[x1x2…xm]T為網(wǎng)絡(luò)輸入，w=[w1w2…wm]T為連接權(quán)值，b為閥值，f為傳遞函數(shù).前向計(jì)算過程為

u=f(wTx+b)

本模型隱層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為purelin，訓(xùn)練函數(shù)為trainlm，其余參數(shù)用matlab神經(jīng)網(wǎng)絡(luò)工具箱的默認(rèn)值[8].

圖3 BP網(wǎng)絡(luò)神經(jīng)元

3.1.5 訓(xùn)練樣本的構(gòu)造

試驗(yàn)所得駕駛員在100min內(nèi)的駕駛操作頻次，不能直接作為訓(xùn)練樣本.若將每100min為一結(jié)算時(shí)間段，時(shí)間太長，會(huì)極大降低實(shí)時(shí)性.但是，太短的時(shí)間段內(nèi)駕駛員的操作次數(shù)大多數(shù)為0，存在很大的偶然性，無法體現(xiàn)不同駕駛傾向的駕駛員的差異性.因此，在此選擇每10min作為一個(gè)結(jié)算時(shí)間段，將采樣時(shí)間100min劃分為10個(gè)時(shí)段，取每個(gè)時(shí)段操作頻率的均值作為訓(xùn)練樣本.訓(xùn)練樣本的輸入向量P= (加速頻率，制動(dòng)頻率，換道頻率，緊急加速比例，緊急制動(dòng)比例).輸出樣本T即為表示駕駛員駕駛傾向的目標(biāo)向量.部分訓(xùn)練樣本見表1.

3.1.6 網(wǎng)絡(luò)訓(xùn)練

用Matlab神經(jīng)網(wǎng)絡(luò)工具箱對(duì)所建立的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.訓(xùn)練后的網(wǎng)絡(luò)性能誤差曲線如圖4所示，經(jīng)過34步的訓(xùn)練，網(wǎng)絡(luò)誤差接近于0，滿足要求.

表1 訓(xùn)練樣本

圖4 網(wǎng)絡(luò)性能誤差曲線

輸入層和隱含層間的權(quán)值為

輸入層和隱含層間的閥值為

b1=[-46.2655 7.9689 65.9515 -6.9750

-9.0168 -0.6015]T

隱含層和輸出層間的權(quán)值為

隱含層和輸出層間的閥值為

b2=[-5.6554 6.1554 0.5000 0.5000 0.5000]T

3.2 模型驗(yàn)證

各類型剩余2名駕駛員的試驗(yàn)數(shù)據(jù)用于模型的仿真驗(yàn)證.將駕駛員的操作頻率數(shù)據(jù)輸入模型，得到輸出結(jié)果并取整.如果最終結(jié)果與判定向量的形式完全一致，則說明模型有效.共輸入120組數(shù)據(jù)，準(zhǔn)確識(shí)別107組，13組不能準(zhǔn)確識(shí)別.識(shí)別率為89.2%.模型輸入和輸出的部分?jǐn)?shù)據(jù)見表2.本文所構(gòu)造的駕駛傾向識(shí)別模型，能夠通過駕駛員的操作頻率，實(shí)現(xiàn)對(duì)駕駛傾向的判定，識(shí)別率較高，為實(shí)時(shí)分析駕駛傾向特征提供了一種有效的方法.

表2 模型輸入和輸出的部分?jǐn)?shù)據(jù)

4 結(jié)束語

本文將駕駛傾向性簡化為駕駛激進(jìn)性和操作穩(wěn)定性兩部分，構(gòu)建了基于駕駛行為的駕駛傾向辨識(shí)模型，識(shí)別率達(dá)89.2%. 由于駕駛行為的影響因素眾多，還要進(jìn)行大量的后續(xù)研究工作，以提高模型的適用性和可靠性.改進(jìn)模型可從以下方面出發(fā)：(1)減少問卷調(diào)查中的主觀因素影響，可配以對(duì)駕駛員的跟蹤調(diào)查;(2)提高試驗(yàn)條件精確性；(3)增加參加試驗(yàn)的駕駛員數(shù)量來增加訓(xùn)練樣本數(shù)量.

[1]王曉原,張敬磊,張?jiān)?汽車駕駛傾向性研究進(jìn)展[J].山東理工大學(xué)學(xué)報(bào)：自然科學(xué)版, 2011, 25(6): 1-5.

[2]馬艷麗,王耀武.駕駛員注意分配特性及其對(duì)行車安全的影響 [J].交通運(yùn)輸工程學(xué)報(bào), 2009, 9(4): 115-117.

[3]馮忠祥,劉靜,李陽陽, 等．攻擊性駕駛行為選擇模型及影響因素敏感度分析[J]．中國公路學(xué)報(bào), 2012, 25(2):106-112.

[4]Hamdar S H,Mahmassani H S,Chen R B. Aggressiveness propensity index for driving behavior at signalized intersections [J]. Accident Analysis and Prevention, 2008，40: 315-326.

[5]王建強(qiáng),遲瑞娟,張磊,等.適應(yīng)駕駛員特性的汽車追尾報(bào)警-避撞算法[J].公路交通科技, 2009, 26(s1): 8-12.

[6]Abe G Y,Richardson J. Alarm timing, trust and driver expectation for forward collision warning system [J]. Applied Ergonomics, 2006, 27: 577-586.

[7]王曉原,張敬磊,張?jiān)?基于交互并行駕駛模擬實(shí)驗(yàn)的跟馳狀態(tài)汽車駕駛傾向性動(dòng)態(tài)辨識(shí)模型驗(yàn)證方法[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí), 2012, 42(1):141-149.

[8]張德豐. MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京:機(jī)械工業(yè)出版社, 2008.